基于特征加权的网络不良内容识别方法

网络上不良信息的出现是困扰社会精神健康发展的"顽疾",如果不进行有效的过滤,会给搜索服务带来不良影响,极大的影响了社会的和谐稳定发展。提出一种基于特征加权的网络不良内容识别方法,在对网页上的文本预处理后,引入针对不良内容的加权方法,然后再结合KNN、朴素贝叶斯、SVM三种文本分类方法进行实验对比。对比实验结果表明,所采用的方法在识别网络不良内容上的准确率和召回率都有较大提高。

基于LDA的微博用户粉丝亲密度评价模型

用户关系是目前微博研究的热门方向,微博用户亲密度评价在对用户隐含亲密粉丝的发现、微博网络环境优化等方面具有重要意义。目前微博用户群体庞大且关系复杂,仅从用户自身出发,以用户特征和关系网络等为依据对用户关系亲密度评价的准确率太低。针对这一问题,提出基于LDA的微博用户粉丝亲密度评价模型。首先,对用户粉丝集中非活跃粉丝过滤剔除,获取其活跃粉丝。然后,利用LDA主题模型对用户某时间段所发微博集进行训练,获取用户阶段性微博的主题分布;同时通过主题分布推断其兴趣取向分布,并利用余弦相似方法计算用户与其粉丝之间的兴趣相似度。最后,结合用户的背景相似度和关系紧密度,为用户建立综合的亲密度评价标准。通过新浪API接口抓取微博近期相关数据,组成实验数据集。在数据集上基于评价的推荐实验结果表明,所提出的模型方法具有较高的准确率和有效性。